Cálculo de ahorro energético.

¿Cómo medir algo que no tenemos?

Como es sabido uno de los puntos más importantes, y más complicado, para las empresas de servicios energéticos es el cálculo y verificación de ahorros. Al ser el ahorro energético una ausencia de consumo su medición es complicada, no quedando más remedio que acudir la mayoría de las veces a modelos matemáticos.

IPMVP y Data Mining: una alternativa para la certificación de ahorros

El protocolo de medida y verificación de ahorros (IPMVP) de la “Efficiency Valuation Organization” (EVO) comprende cuatro opciones para la comprobación de medidas: las dos primeras mediante verificación aislada de las medidas de mejora energética, medición de toda la planta y simulación calibrada.

Dependiendo de la opción necesaria para cada caso será necesaria una modelización de los consumos energéticos que según el número de variables implicadas y de los datos disponibles puede ser de gran complejidad.

Para esta modelización del consumo energético, la minería de datos o “data mining” puede ser una herramienta muy valiosa en muchas partes del proceso. Desde la elección de los muestreos y limpia de datos, siguiendo la metodología CRISP, a la modelización de la línea base. Nos centraremos en este artículo en la modelización de la línea base a través de modelos supervisados de aprendizaje.

Aunque muchas veces menospreciadas son muy importantes las tres primeras fases de la metodología CRISP-DM: Entender el negocio, entender los datos y preparar los datos. Una correcta selección y preparación de los datos a introducir en el modelo es una parte clave en la fiabilidad del mismo. La eliminación de anomalías es especialmente clave en los modelos de aprendizaje supervisado.

Si disponemos de datos suficientes del periodo de referencia a las mejoras de eficiencia energética podremos construir el modelo matemático para la curva de energía de referencia ajustada que nos servirá de línea base.

En la figura I podemos ver un modelo de predicción de consumo energético por tonelada de producción basado en las variables más importantes construido a partir de los registros cuarto horarios. La línea morada refleja los datos estimados por el modelo matemático en función de las variables independientes seleccionadas y la línea verde los datos que se dieron en condiciones reales.

Si introducimos algún cambio significativo como puede ser un cambio de equipos, el modelo de data mining dejará de ser válido para la estimación en tiempo real del consumo pero podemos seguir utilizándolo como medida de línea base.

En la figura II se muestra con una línea azul los consumos registrados tras el cambio del equipo y con una línea roja la predicción del modelo matemático obtenido con el resto de variables considerados en el modelo y que tendrán las mismas desviaciones estadísticas que en el modelo anterior. Sólo tendremos que hallar las diferencias para poder obtener los ahorros obtenidos.